MATLAB程序代码--人工神经网络及其工程应用

MATLAB程序代码--人工神经网络及其工程应用 MATLAB程序代码-- 人工神经网络及其工程应用 目 录 第一章 人工神经网络„„„„„„„„„„„„„„„„„„„ 3 ?1.1人工神经网络简介„„„„„„„„„„„„„„„„„„„„„„ 3 1(1 人工神经网络的起源 „„„„„„„„„„„„„„„„„„„„ 3 1(2 人工神经网络的特点及应用 „„„„„„„„„„„„„„„„„ 3 ?1.2人工神经网络的结构„„„„„„„„„„„„„„„„„„„ 4 2(1 神经元及其特性„„„„„„„„„„„„„„„„„„„„„„ 5 2(2 神经网络的基本类型 „„„„„„„„„„„„„„„„„„ 6 2.2.1 人工神经网络的基本特性„„„„„„„„„„„„„„ 6 2.2.2 人工神经网络的基本结构„„„„„„„„„„„„„„ 6 2.2.3 人工神经网络的主要学习算法„„„„„„„„„„„„ 7 ?1.3人工神经网络的典型模型 „„„„„„„„„„„„„„„„„„7 3(1 Hopfield网络„„„„„„„„„„„„„„„„„„„„„„ 7 3(2 反向传播(BP)网络„„„„„„„„„„„„„„„„„„„„ 8 3(3 Kohonen网络„„„„„„„„„„„„„„„„„„„„„„ 8 3(4 自适应共振理论(ART)„„„„„„„„„„„„„„„„„„„„ 9 3(5 学习矢量量化(LVQ)网络„„„„„„„„„„„„„„„„ 11 ?1.4多层前馈神经网络(,,)模型„„„„„„„„„„„„„„„„ 12 4(1 BP网络模型特点 „„„„„„„„„„„„„„„„„„„„ 12 4(2 BP网络学习算法„„„„„„„„„„„„„„„„„„„„„ 13 4.2.1信息的正向传递„„„„„„„„„„„„„„„„„„ 13 4.2.2利用梯度下降法求权值变化及误差的反向传播„„„„„„ 14 4(3 网络的训练过程„„„„„„„„„„„„„„„„„„„„„ 15 4(4 BP算法的改进„„„„„„„„„„„„„„„„„„„„„ 15 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 4.4.1附加动量法„„„„„„„„„„„„„„„„„„„„„ 15 4.4.2自适应学习速率„„„„„„„„„„„„„„„„„„„ 16 4.4.3动量-自适应学习速率调整算法„„„„„„„„„„„„ 17 4(5 网络的设计„„„„„„„„„„„„„„„„„„„„„„„„ 17 4.5.1网络的层数„„„„„„„„„„„„„„„„„„„ 17 4.5.2隐含层的神经元数„„„„„„„„„„„„„„„„„ 17 4.5.3初始权值的选取„„„„„„„„„„„„„„„„„„ 17 4.5.4学习速率„„„„„„„„„„„„„„„„„„„„„„ 17 ?1.5软件的实现„„„„„„„„„„„„„„„„„„„„„„„„ 18 第二章 遗传算法„„„„„„„„„„„„„„„„„„„„„19 ?2.1遗传算法简介„„„„„„„„„„„„„„„„„„„„„„„„19 ?2.2遗传算法的特点„„„„„„„„„„„„„„„„„„„„„„ 19 ?2.3遗传算法的操作程序„„„„„„„„„„„„„„„„„„„„„20 ?2.4遗传算法的设计„„„„„„„„„„„„„„„„„„„„„„„20 第三章 基于神经网络的水布垭面板堆石坝变形控制与预测 ?3.1概述„„„„„„„„„„„„„„„„„„„„„„„„„„„„23 ?3.2样本的选取„„„„„„„„„„„„„„„„„„„„„„„„ 24 ?3.3神经网络结构的确定„„„„„„„„„„„„„„„„„„„„„25 ?3.4样本的预处理与网络的训练„„„„„„„„„„„„„„„„„ 25 4(1 样本的预处理„„„„„„„„„„„„„„„„„„„„„ 25 4(2 网络的训练 „„„„„„„„„„„„„„„„„„„„ 26 ?3.5水布垭面板堆石坝垂直压缩模量的控制与变形的预测„„„„„„„30 5(1 面板堆石坝堆石体垂直压缩模量的控制„„„„„„„„„„„30 5(2 水布垭面板堆石坝变形的预测„„„„„„„„„„„„„„ 35 5(3 BP网络与COPEL公司及国内的经验公式的预测结果比较„ 35 ?3.6结论与建议„„„„„„„„„„„„„„„„„„„„„„„„ 38 第四章 BP网络与遗传算法在面板堆石坝设计参数控制中的应用 ?4.1 概述„„„„„„„„„„„„„„„„„„„„„„„„„„„39 ?4.2遗传算法的程序设计与计算„„„„„„„„„„„„„„„„„„39 ?4.3结论与建议„„„„„„„„„„„„„„„„„„„„„„„„„40 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 参考文献„„„„„„„„„„„„„„„„„„„„„„„„„„„„41 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 第一章 人工神经网络 ?1.1人工神经网络简介 1(1人工神经网络的起源 人工神经网络(Artificial Neural Network,简称ANN)研究的先锋，美国心理学家Warren S McCulloch和数学家Walter H Pitts曾于1943年提出一种叫做“似脑机器”(mindlike machine)的思想，这种机器可由基于生物神经元特性的互连模型来制造,这就是神经学网络的概念。他们构造了一个表示大脑基本组成部分的神经元模型，对逻辑操作系统表现出通用性。随着大脑和计算机研究的进展，研究目标已从“似脑机器”变为“学习机器”，为此一直关心神经系统适应律的心理学家D.O.Hebb于1949年提出了学习模型。1957年Rosenblatt首次提出感知器，并设计一个引人注目的结构。到60年代初期，关于学习系统的专用设计指南有Widrow等提出的Adaline(adaptive linear element,即自适应线性元)以及Steinbuch等提出的学习矩阵。由于感知器的概念简单，因而在开始介绍时对它寄托很大希望。然而，不久之后Minsky和 [1]Papert从数学上证明了感知器不能实现复杂逻辑功能。 到了70年代，Grossberg 和 Kohonen对神经网络研究作出重要贡献。以生物学和心理学证据为基础，Grossberg提出几种具有新颖特性的非线性动态系统结构。该系统的网络动力学由一阶微分方程建模，而网络结构为模式聚集算法的自组织神经实现。基于神经元组织自己来调整各种各样的模式的思想，Kohonen发展了他在自组织映像方面的研究工作。Werbos在70年代开发一种反向传播算法。Hopfield在神经元交互作用的基础上引入一种递归型神经网络，这种网络就是有名的Hopfield网络。在80年代中叶，作为一种前馈神经网络的学习算法，Parker和Rumelhart等重新发现了反回传播算法。如 [1]今，神经网络的应用越来越广泛了。 1(2 人工神经网络的特点及应用 人工神经网络是由许多神经元互连在一起所组成的复杂网络系统。它是在现代神经学研究成果基础上提出的，能模拟人的若干基本功能。它具有并行分布的信息处理结构，是通过“学习”或“训练”的方式完成某一特定的工作。其最显著的特点是具有自学习能力，并在数据含有噪音、缺项或缺乏认知时能获得令人满意的结论，特别是它可以从积累的工作实例中学习知识，of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 尽可能多地把各种定性定量的影响因素作为变量加以输入，建立各影响因素与结论之间的高非线性映像，采用自适应模式识别方法完成此工作。它对处理内部规律不甚了解、不能用一组 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf 或方程进行描述的较复杂问题或开放的系统显得较为优。 按照神经元的连接方式，人工神经网络可分为两种:没有反馈的前向网络和相互结合型网络。前向网络是多层映像网络，每一层中神经元只接受来自前一层神经元的信号，因此信息的传播是单方向的。BP网络是这类网络最典型的例子。在相互结合型的网络中，任意神经元之间都可能有连结，因此，输入信号要在网络中往返传播，从某一初态开始，经过若干变化，渐渐趋于某一稳定状态或进入周期震荡等其它状态，这方面的网络有Hopfield网络、SOM网络等。 网络的学习能力体现在网络参数的调整上。参数调整方法为有教师学习和无教师学习两种基本方式。有教师学习方式是网络根据教师给出的正确输入模式，校正网络的参数，使其输出接近于正确模式。这类方式常采用梯度下降的学习方法，如BP算法。而无教师学习是网络在没有教师直接指点下通过竞争等方式自动调整网络参数的学习方法，如自适应共振网络。 神经网络就是由许多神经元互连在一起所组成的神经结构。把神经元之间相互作用的关系进行数学模型化就可以得到神经网络模型。目前已有几十种不同的神经网络模型。代表的网络模型有感知器、反向传播BP网络、GMDH网络、RBF网络、双向联想记忆(BAM)、Hopfield网络、Boltsmann机、自适应共振网络(ART)、自组织特征映像(SOM)网络等。运用这些网络模型可实现函数近似(数字逼近映像)、数据聚类、模式识别、优化计算等功能，因此，人工神经网络广泛用于人工智能、自动控制、机器人、统计学、工程学等领域的信息处理中。 ?1.2 人工神经网络的结构 神经网络的结构是由基本处理单元及其互连方法决定的。 2(1 神经元及其特性 人工神经网络的基本处理单元在神经网络中的作用与神经生理学中神经元的作用相似，因此，人工神经网络的基本处理单元往往被称为神经元。人工神经网络结构中的神经元模型模拟一个生物神经元，如图1.2.1所示。该神 yx经元单元由多个输入 ，i=1,2,...,n和一个输出组成。中间状态由输入信ji 号的加权和与修正值表示，而输出为: of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking n (1.2.1) Y(t),f(wx,,),jjiij,1i 图1.2.1 神经元模型 式(1.2.1)中,,为神经元单元的偏置(阈值)，w为连接权系数(对于激jji 发状态，w取正值，对于抑制状态，w取负值)，n为输入信号数目，y为神jijij经元输出，t为时间，f()为输出变换函数，有时叫做激发或激励函数，往往采用0和1二值函数或,形函数，见图1.2.2，这三种函数都是连续和非线性的。 一种二值函数如图1.2.2(a)所示,可由下式表示: 1,x,x,0 (1.2.2) f(x),,0,xx,0, 一种常规的,形函数如图1.2.2(b)所示，可由下式表示: 1f(x), , (1.2.3) 0,f(x),1,ax1，e 常用双曲正切函数(如图1.2.2(c))来取代常规,形函数，因为,形函数的输出均为正值，而双曲正切函数的输出值可为正或负。双曲正切函数如下式所示: ,ax1,ef(x),， (1.2.4) ,1,f(x),1,ax1，e 图1.2.2 神经元中的某些变换(激发)函数 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 2(2 神经网络的基本类型 2.2.1人工神经网络的基本特性 人工神经网络由神经元模型构成;这种由许多神经元组成的信息处理网络具有并行分布结构。每个神经元具有单一输出，并且能够与其它神经元连接;存在许多(多重)输出连接方法，每种连接方法对应一个连接权系数。严格地说，人工神经网络是一种具有下列特性的有向图: (,)对于每个节点存在一个状态变量x; i (,)从节点i至节点j，存在一个连接权系数w; ji (,)对于每个节点，存在一个阈值,; j (,)对于每个节点，定义一个变换函数 f(x,w,,),i,j;对于最一般的jijij 情况，此函数取形式。 f(wx,,)j,jiiji 神经网络的基本结构 2.2.2 人工 (1)递归网络 在递归网络中，多个神经元互连以组织一个互连神经网络，如图1.2.3所示。有些神经元的输出被反馈至同层或前层神经元。因此，信号能够从正向和反向流通。Hopfield网络，Elmman网络和Jordan网络是递归网络有代表性的例子。递归网络又叫做反馈网络。 图1.2.3中， v表示节点的状态， x为节点的输入(初始)值， x,为iii收敛后的输出值，i=1,2,...,n。 (2)前馈网络 前馈网络具有递阶分层结构，由一些同层神经元间不存在互连的层级组成。从输入层至输出层的信号通过单向连接流通;神经元从一层连接至下一层，不存在同层神经元间的连接，如图1.2.4所示。图中，实线指明实际信号流通而虚线表示反向传播。前馈网络的例子有多层感知器(MLP)、学习矢量量化(LVQ)网络、小脑模型联接控制(CMAC)网络和数据处理方法(GMDH)网络等。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图1.2.3 递归(反馈)网络 图1.2.4 前馈(多层)网络 2.2.3 人工神经网络的主要学习算法 神经网络主要通过两种学习算法进行训练，即指导式(有师)学习算法和非指导式(无师)学习算法。此外，还存在第三种学习算法，即强化学习算法;可把它看做有师学习的一种特例。 (,)有师学习 有师学习算法能够根据期望的和实际的网络输出(对应于给定输入)间的差来调整神经元间连接的强度或权。因此，有师学习需要有个老师或导师来提供期望或目标输出信号。有师学习算法的例子包括, 规则、广义, 规则或反向传播算法以及LVQ算法等。 (,)无师学习 无师学习算法不需要知道期望输出。在训练过程中，只要向神经网络提供输入模式，神经网络就能够自动地适应连接权，以便按相似特征把输入模式分组聚集。无师学习算法的例子包括Kohonen算法和Carpenter-Grossberg自适应共振理论(ART)等。 (,)强化学习 如前所述，强化学习是有师学习的特例。它不需要老师给出目标输出。强化学习算法采用一个“评论员”来评价与给定输入相对应的神经网络输出的优度(质量因数)。强化学习算法的一个例子是遗传算法(GAs)。 ?1.3 人工神经网络的典型模型 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 在人们提出的几十种神经网络模型中，人们较多用的是Hopfield网络、BP网络、Kohonen网络和ART(自适应共振理论)网络、LVQ网络。 3(1 Hopfield网络 Hopfield网络是最典型的反馈网络模型，它是目前人们研究得最多的模型之一。Hopfield网络模型由一组可使某个能量函数最小的微分方程组成。Hopfield网络是由相同的神经元构成的单层，并且不具学习功能的自联想网络。它需要对称连接。 图1.3.1表示Hopfield网络的一种 方案 气瓶 现场处置方案 .pdf气瓶 现场处置方案 .doc见习基地管理方案.doc关于群访事件的化解方案建筑工地扬尘治理专项方案下载 。这种网络通常只接受二进制输入(0或1)以及双极输入(+1或-1)。它含有一个单层神经元，每个神经元与所有其它神经元连接，形成递归结构。Hopfield网络的训练只有一步，网络的权值被直接指定如下: ,1ccxx,ij,,,ijNw (1.3.1) ,,ij,0,ij,, c式中，w为从神经元i至神经元j的连接权值， x(可为+1或-1)是iji c类训练输入模式的第i个分量，p为类数，N为神经元数或输入模式的分量数。从式(1.3.1)可以看出,w =w以及w=0,为一组保证网络稳定的条件。ijjiii 当一种未知模式输至此网络时，设置其输出初始值等于未知模式的分量，即 1,i,Ny(0),x， (1.3.2) ii of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图1.3.1 一种Hopfield网络 从这些初始值开始，网络根据下列方程迭代工作，直至达到某个最小的能量伏态，即其输出稳定于恒值: N，，1,i,N， (1.3.3) y(k1)fwy(k)，,,,,iijij,1，， 式中，f为一硬性限制函数，定义为: ,1,x,0,,f(x), (1.3.4) ,1,x,0, 3(2 反向传播(BP)网络 最初由Werbos开发的反向传播训练算法是一种迭代梯度算法，用于求解前馈网络的实际输出与期望输出间的最小均方差值。BP网络是一种反向传递并能修正误差的多层映像网络。当参数适当时，此网络能够收敛到较小的均方差，是目前应用最广的网络之一。它可用于语言综合，识别和自适应控制等用途。BP网络需有教师训练。在下一部分中将详细进行介绍。 3(3 Kohonen网络 Kohonen网络是典型的自组织神经网络，这种网络也称为自组织特征映像网络SOM(self-organizing feature map)。它是由Kohonen提出的，是以神经元自行组织以校正各种具体模式的概念为基础的。SOM能够形成簇与簇之间的连续映像，起到矢量量化器的作用。它的输入层是单层单维神经元;而输出层是二维的神经元，神经元之间存在以“墨西哥帽”形式进行侧向交互的作用。因而，在输出层中，神经元之间有近扬远抑的反馈特性;从而使Kohonen网络可以作为模式特征的检测器。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking Kohonen网络或自组织特征映像网络含有两层，一个输入缓冲层用于接收输入模式，另一为输出层，见图1.3.2。输出层的神经元一般按正则二维阵列排列，每个输出神经元连接至所有输入神经元。连接权值形成与已知输出神经元相连的参考矢量的分量。 训练一个Kohonen网络包含下列步骤: (1) 对所有输出神经元的参考矢量预置小的随机初值。 (2)供给网络一个训练输入模式。 (3)确定获胜的输出神经元，即参考矢量最接近输入模式的神经元。参考矢量与输入矢量间的Euclidean距离通常被用作距离测量。 (4)更新获胜神经元的参考矢量及其近邻参考矢量。这些参考矢量(被引至)更接近输入矢量。对于获胜参考矢量，其调整是最大的，而对于离得更远的神经元，减少调整。一个神经邻域的大小随着训练进行而减小，到训练末了，只有获胜神经元的参考矢量被调整。 图1.3.2 Kohonen网络 对于一个很好训练了的Kohonen网络，相互靠近的输出神经元具有相似的参考矢量。经过训练之后，采用一个标记过程，其中，已知类的输入模式被送至网络，而且类标记被指定给那些由该输入模式激发的输出神经元。当采用LVQ网络时，如果一个输出神经元在竞争中胜过其它输出神经元(即它of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 的参考矢量最接近某输入模式)，那么此获胜的输出神经元被该输入模式所激发。 3(4自适应共振理论(ART) ART网络也是一种自组织网络模型。它是由Grossberg提出的，是一个根据可选参数对输入数据进行粗略分类的网络。ART-1用于二值输入，而ART-2用于连续值输入。这是一种无教师学习网络。它能够较好地协调适应性，稳定性和复杂性的要求。在ART网络中，通常需要两个功能互补的子系统相互作用(这两个子系统称注意子系统和取向子系统。ART网络主要用于模式识别。 自适应共振理论(ART)网络具有不同的版本。图1.3.3表示ART-,版本，用于处理二元输入。新的版本，如ART-,，能够处理连续值输入。 从图1.3.3可见，一个ART-,网络含有两层，一个输入层和一个输出层。这两层完全互连，该连接沿着正向(自底向上)和反馈(自顶向下)两个方向进行。自底向上连接至一个输出神经元i的权矢量W形成它所表示的类的i 一个样本。全部权矢量W构成网络的长期存储器，用于选择优胜的神经元，i 该神经元的权矢量W最相似于当前输入模式。自顶向下从一个输出神经元ii 连接的权矢量 用于警戒测试，即检验某个输入模式是否足够靠近已存储的样本。警戒矢量V构成网络的短期存储器。V和W是相关的,W是V的一个规iiiii格化副本， viw,即 (1.3.5) i,，v,ji 式中，,为一小的常数，V为V的第j个分量(即从输出神经元i到输jii 入神经元j连接的权值)。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图1.3.3一个,,,,,网络 当ART-1网络在工作时，其训练是连续进行的，且包括下列步骤: (,)对于所有输出神经元，预置样本矢量及警戒矢量的初值，设定每WVii个V的所有分量为1,并据式(1.3.5)计算W。如果一个输出神经元的全部警ii 戒权值均置1,则称为独立神经元，因为它不被指定表示任何模式类型。 (,)给出一个新的输入模式x。 (,)使所有的输出神经元能够参加激发竞争。 (,)从竞争神经元中找到获胜的输出神经元，即这个神经元的x.W 值为最i大;在开始训练时或不存在更好的输出神经元时，优胜神经元可能是个独立神经元。 (,)检查看该输入模式x是否与获胜神经元的警戒矢量足够相似。相似性是由x的位分式r检测的，即 xV,ir, (1.3.6) x,i 如果r值小于警戒阈值, (0<, <1)，那么可以认为x与V是足够相似的。i(,)如果r, , ,即存在谐振，则转向第(7)步;否则，使获胜神经元暂时无力进一步竞争，并转向第(4)步，重复这一过程直至不存在更多的有能力的神经元为止。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking (,)调整最新获胜神经元的警戒矢量V，对它逻辑加上x，删去V内而不ii出现在x内的位;据式(1.3.5)，用新的V计算自底向上样本矢量W;激活ii该获胜神经元。转向第(,)步。 上述训练步骤能够做到:如果同样次序的训练模式被重复地送至此网络，那么其长期和短期存储器保持不变，即该网络是稳定的。假定存在足够多的输出神经元来表示所有不同的类，那幺新的模式总是能够学得，因为新模式可被指定给独立输出神经元，如果它不与原来存储的样本很好匹配的话(即该网络是塑性的)。 3(5 学习矢量量化(LVQ)网络 图1.3.4给出一个学习矢量量化(LVQ)网络，它由三层神经元组成，即输入转换层、隐含层和输出层。该网络在输入层与隐含层间为完全连接，而在隐含层与输出层间为部分连接，每个输出神经元与隐含神经元的不同组相连接。隐含,输出神经元间连接的权值固定为,。输入,隐含神经元间连接的权值建立参考矢量的分量(对每个隐含神经元指定一个参考矢量)。在网络训练过程中，这些权值被修改。隐含神经元(又称为Kohnen神经元)和输出神经元都具有二进制输出值。当某个输入模式送至网络时，参考矢量最接近输入模式的隐含神经元因获得激发而赢得竞争，因而允许它产生一个“,”。其它隐含神经元都被迫产生“,”。与包含获胜神经元的隐含神经元组相连接的输出神经元也发出“,”，而其它输出神经元均发出“,”。产生“,”的输出神经元给出输入模式的类，每个输出神经元被表示为不同的类。 最简单的,,,训练步骤如下: (,)预置参考矢量初始权值。 (,)供给网络一个训练输入模式。 (,)计算输入模式与每个参考矢量间的Euclidean距离。 (,)更新最接近输入模式的参考矢量(即获胜隐含神经元的参考矢量)的权值。如果获胜隐含神经元以输入模式一样的类属于连接至输出神经元的缓冲器，那幺参考矢量应更接近输入模式。否则，参考矢量就离开输入模式。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking (,)转至(2)，以某个新的训练输入模式重复本过程，直至全部训练模式被正确地分类或者满足某个终止准则为止。 图1.3.4 学习矢量化网络 ?1.4 多层前馈神经网络(,,)模型 BP 模型是目前研究最多、应用最广泛的 ANN 模型。它是由Rumelhart 等人组成的 PDP 小组于1985 年提出的一种神经元模型，其结构如图1.4. 1。 [2-5]理论已经证明一个三层的 BP 网络模型能够实现任意的连续映像。 输出层 (输出结点) 隐含层 (隐结点) 输入层(输入结点) 图1.4.1 反向传播 (BP) 神经网络结构 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 4(1 BP网络模型特点 BP(Back Propagation)网络模型是把一组样本的输入输出变成一个非线性优化问题，使用了最优化中最普遍的梯度下降算法，用迭代运算求解权，加入隐节点使得优化问题的可调参数增加，从而可以逼近精确解。 BP网络由输入层、输出层及隐含层组成，隐含层可有一个或多个，每层由多个神经元组成。其特点是:各层神经元仅与相邻层神经元之间有连接;各层内神经元之间无任何连接;各层神经元之间无反馈连接。输入信号先向前传播到隐结点，经过变换函数之后，把隐结点的输出信息传播到输出结点，经过处理后再给出输出结果。结点的变换函数通常选取Sigmoid型函数。一般情况下，隐含层采用S型对数或正切激活函数，而输出层采用线性激活函数。 如果输入层有n个神经元，输出层有m个神经元，则网络是从n维欧氏空间到m维欧氏空间的映像。在确定了BP网络的结构后，利用输入输出样本集对其进行训练，也即通过调整BP网络中的连接权值、网络的规模(包括n、m和隐层节点数)，就可以使网络实现给定的输入输出映像关系，并且可以以任意精度逼近任何非线性函数。BP网络通过对简单的非线性函数的复合来完成映像，用这种方法经过少数的几次复合就可以得到极为复杂的函数关系，进而可以表达复杂的物理世界现象，使得许多实际问题都可以转为利用神经网络来解决。经过训练的BP网络，对于不是样本集中的输入也能给出合适的输出，这种性质称为泛化(Generalization)功能。从函数拟合的角度看，这说明BP网络具有插值功能。 4(2 BP网络学习算法 BP神经网络采用误差反传学习算法，它使用梯度搜索技术，实现网络的实际输出与期望输出的均方差最小化。网络学习的过程是一种边向后边传播边修正权的过程。 在这种网络中，学习过程由正向传播和反向传播组成。在正向过程中，输入信号从输入层经隐层单元逐层处理，并传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转向反向传播，将输出的误差按原来的连接通路返回。通过修改各层神经元的权值，使得误差信号最小。得到合适的网络连接值后，便可对新样本进行非线性映像。 4.2.1信息的正向传递 假设BP网络共L层，对于给定的P个样本，网络的期望输出为: of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking T=[T，T，……，T] dd1d2dp 当输入第P个样本时，对于网络中的第l(l=1，2，……，L-1)层中第j 个神经元的操作特性为: nl,1()()(,1)llll (4.2.1) net,WO,,,jpjiipj,1i (l)(l) (4.2.2)O,f(net)jpljp 其中，为神经元i到神经元j的连接权值;是第l-1层的结点数; Wnjil,1(l,1)(l)为神经元j的当前输入;为神经元j的输出; OOjpjp 为非线性可微非递减函数，一般取为S型函数，即 fl 1f(x), (4.2.3) l,x1，e 而对于输出层则有 nL,1(L)()()(,1)LLLLO= (4.2.4) f(net),WO,,,jpLjpjiipj,1i 神经网络学习的目的是实现对每一样本 m12ˆE,(T,T)， (p=1，2，……，P)，其中m 为输出结点个数。 ,pjdpjp2,1j 达到最小，从而保证网络总误差 P E,E ,pp,1 ˆ极小化。其中T,T分别为输出层第j个节点的期望输出和实际输出。 jdpjp 4.2.2利用梯度下降法求权值变化及误差的反向传播 采用梯度算法对网络权值、阈值进行修正。 第l层的权系数迭代方程为: W(k，1),W(k)，,W(k，1)p ,,W,wij 其中，k为迭代次数。 ,Ep令 ,w,,pji(l),wij of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking (l),,,,EEnetEppjpp(l,1) (4.2.5) ,,,,,Oip(l)(l)(l)(l),,,,wnetwnetijjpijjp ,Ep(l),,,pj令， 则有 (l),netjp (l)(l,1), 其中，η为学习步长。 ,w,,,Opjipjip 4(3 网络的训练过程 ?网络初始化，用一组随机数对网络赋初始权值，设置学习步长,、允许误差,、网络结构(即网络层数L和每层节点数n); l ?为网络提供一组学习样本; ?对每个学习样本p循环 a(逐层正向计算网络各节点的输入和输出; b(计算第p个样本的输出的误差Ep和网络的总误差E; c(当E小于允许误差,或者达到指定的迭代次数时，学习过程结束，否则，进行误差反向传播。 (l),d(反向逐层计算网络各节点误差 jp 1f(x),如果取为S型函数，即，则 fll,x1，e (l)(l)(l)(l),,O(1,O)(y,O)对于输出层 jpjpjpjdpjp (l)(l)(l)(l)(l，1)对于隐含层,,O(1,O),w ,jpjpjpjpkj e(修正网络连接权值 (l)(l,1)W(k，1),W(k)，,,O ijijjpip ,,式中，k 为学习次数，为学习因子。取值越大，每次权值的改变越剧烈，可能导致学习过程振荡，因此，为了使学习因子的取值足够大，又不至产生振荡，通常在权值修正公式中加入一个附加动量法。 4(4 BP算法的改进 4.4.1附加动量法 附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响。在没有附加动量的作用下，网络可能陷入浅的局部极小值，利用附加动量的作用有可能滑过这些极小值。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 该方法是在反向传播法的基础上在每一个权值(或阈值)的变化上加上一项正比于前次权值(或阈值)变化量的值，并根据反向传播法来产生新的权值(或阈值)变化。 带有附加动量因子的权值和阈值调节公式为: ,w(k，1),(1,mc),,p，mc,w(k)ijijij ,b(k，1),(1,mc),,，mc,b(k)iii 其中k为训练次数，mc为动量因子，一般取0.95左右。 附加动量法的实质是将最后一次权值(或阈值)变化的影响，通过一个动量因子来传递。当动量因子取值为零时，权值(或阈值)的变化仅是根据梯度下降法产生;当动量因子取值为1时，新的权值(或阈值)变化则是设置为最后一次权值(或阈值)的变化，而依梯度法产生的变化部分则被忽略掉了。以此方式，当增加了动量项后，促使权值的调节向着误差曲面底部的平均方向变化，当网络权值进入误差曲面底部的平坦区时， ,将变得很小，于是i ,w(k，1),,w(k),从而防止了的出现，有助于使网络从误差曲面的,w,0ijijij 局部极小值中跳出。 根据附加动量法的设计原则，当修正的权值在误差中导致太大的增长结果时，新的权值应被取消而不被采用，并使动量作用停止下来，以使网络不进入较大误差曲面;当新的误差变化率对其旧值超过一个事先设定的最大误差变化率时，也得取消所计算的权值变化。其最大误差变化率可以是任何大于或等于1的值。典型的取值取1.04。所以，在进行附加动量法的训练程序设计时，必须加进条件判断以正确使用其权值修正公式。 训练程序设计中采用动量法的判断条件为: E(k),E(k,1)*1.040, ,mc,0.95E(k),E(k,1) ， E(k)为第k步误差平方和。 , ,mc其它, 4.4.2自适应学习速率 对于一个特定的问题，要选择适当的学习速率不是一件容易的事情。通常是凭经验或实验获取，但即使这样，对训练开始初期功效较好的学习速率，不见得对后来的训练合适。为了解决这个问题，人们自然想到在训练过程中，自动调节学习速率。通常调节学习速率的准则是:检查权值是否真正降低了误差函数，如果确实如此，则说明所选学习速率小了，可以适当增加一个量;若不是这样，而产生了过调，那幺就应该减少学习速率的值。下式给出了一of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 个自适应学习速率的调整公式: ,E(k，1),E(k)1.05(k), ,,,(k，1),0.7(k)E(k，1),1.04E(k) ， E(k)为第k步误差平方和。 , ,,(k)其它, 初始学习速率,(0)的选取范围可以有很大的随意性。 4.4.3动量-自适应学习速率调整算法 当采用前述的动量法时，BP算法可以找到全局最优解，而当采用自适应学习速率时，BP算法可以缩短训练时间， 采用这两种方法也可以用来训练神经网络，该方法称为动量-自适应学习速率调整算法。 4(5网络的设计 4.5.1网络的层数 理论上已证明:具有偏差和至少一个S型隐含层加上一个线性输出层的网络，能够逼近任何有理数。增加层数可以更进一步的降低误差，提高精度，但同时也使网络复杂化，从而增加了网络权值的训练时间。而误差精度的提高实际上也可以通过增加神经元数目来获得，其训练效果也比增加层数更容易观察和调整。所以一般情况下，应优先考虑增加隐含层中的神经元数。 4.5.2隐含层的神经元数 网络训练精度的提高，可以通过采用一个隐含层，而增加神经元数了的方法来获得。这在结构实现上，要比增加隐含层数要简单得多。那么究竟选取多少隐含层节点才合适,这在理论上并没有一个明确的规定。在具体设计时，比较实际的做法是通过对不同神经元数进行训练对比，然后适当地加上一点余量。 4.5.3初始权值的选取 由于系统是非线性的，初始值对于学习是否达到局部最小、是否能够收敛及训练时间的长短关系很大。如果初始值太大，使得加权后的输入和n落在了S型激活函数的饱和区，从而导致其导数f’(n)非常小，而在计算权值修 ',0,,0,w,0正公式中，因为，当f’(n)时，则有。这使得，,,f(n)ij从而使得调节过程几乎停顿下来。所以一般总是希望经过初始加权后的每个神经元的输出值都接近于零，这样可以保证每个神经元的权值都能够在它们的S型激活函数变化最大之处进行调节。所以，一般取初始权值在(-1，1)之间的随机数。 4.5.4学习速率 学习速率决定每一次循环训练中所产生的权值变化量。大的学习速率可of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 能导致系统的不稳定;但小的学习速率导致较长的训练时间，可能收敛很慢，不过能保证网络的误差值不跳出误差表面的低谷而最终趋于最小误差值。所以在一般情况下，倾向于选取较小的学习速率以保证系统的稳定性。学习速率的选取范围在0.01-0.8之间。 ?1.5 软件的实现 人工神经网络计算实现的方式有两种，一种是基于硬件的全硬件实现;另一种是基于现代数值计算机技术的虚拟实现，包括全软件实现，带神经网 [8]络加速板等部分专用硬件和软件配合的实现等。本文采用的是基于MATLAB的神经网络工具箱的全软件实现。 目前最新的神经网络工具箱是NN Toolbox 2.0版本，它几乎完整地概括了现有的神经网络的新成果，所涉及的网络模型有:感知器、线性网络、BP [4]网络、径向基函数网络、自组织网络、反馈网络。神经网络初学者可以利用该工具箱来深刻理解各种算法的内在实质;即使不了解算法的实质，也可以直接应用功能丰富的函数来实现自己的想法;而且应用这些功能函数可以大大节约编程时间。此外，MATLAB软件还具有强大的数值计算，数据可视化，图形绘制等功能，给应用者带来很大方便。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 第二章 遗传算法 ?2.1 遗传算法简介 遗传算法(Genetic Algorithm，简写为GA)是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国密执根(Michigan)大学的 [6]J.Holland教授于1975年首先提出的。遗传算法是一种仿生算法，其核心思想源于人们对生物进化过程的认识。生物进化过程(从简单到复杂，从低级到高级)本身是一个自然的、并行发生的、稳健的优化过程。这一优化过程的目标是对环境的自然适应性，生物种群通过“优胜劣汰”及遗传变异来达到进化(优化)的目的。 生物遗传学概念与遗传算法中的对应关系 生物遗传学概念 遗传算法中的作用 适者生存 在算法停止时，最优目标值的解有最 大的可能被留住 个体(individual) 目标函数的解 染色体(chromosome) 解的编码(向量) 基因(gene) 解中的每一分量的特征(或值) 适应性(fitness) 适应函数值 群体(population) 选定的一组解(其中解的个数为群体 的规模) 种群(reproduction) 根据适应函数选取的一组解 交配(crossover) 按交配原则产生一组新解的过程 变异(mutation) 编码的某一分量发生变化的过程 ?2.2遗传算法的特点 遗传算法的特点，主要表现在以下几个方面: 1、遗传算法处理对象不是参数本身，而是对参数集进行编码的个体; 2、遗传算法是采用同时处理群体中多个个体的方法，同时对搜索空间中of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 的多个解进行评估。形象的说，遗传算法是并行地爬多个峰。这一特点使遗传算法具有较好的全局搜索能力，并易于并行化; 3、遗传算法具有一定的变异概率可以防止算法收敛于局部最优解。 由于遗传算法使用简单，鲁棒性强，易于并行化，搜索不依赖于梯度信息，其广泛地应用于各种工程领域。遗传算法尤其适用于处理传统算法难于解决的复杂和非线性问题，可应用于组合优化、机器学习、自适应控制、规划设计和人工生命科学等领域。 ?2.3遗传算法的操作程序 首先，随机产生一定数目的初始个体(染色体)，这些随机产生的染色体组成一个种群，种群中的染色体数目称为种群的规模或大小(pop-size); 然后，用评价函数来评价每个染色体的优劣，即染色体对环境的适应程度(称为适应度)，用来作为以后遗传操作的依据; 接着，基于适应值的选择策略，从当前种群中选取一定的染色体作为新一代的染色体(染色体的适应度越高，其被选择的机会越大); 接下来对这个新生成的种群进行交叉(交配)操作、变异操作(变异操作的目的使种群中的个体具有多样性，防止陷入局部最优解)，这样产生的染色体群(种群)称为后代; 对新生的种群重复进行选择、交叉、变异操作过程，经过给定次数的迭代后，把最好的染色体作为优化问题的最优解。(如图2.2.1) [7] ?2.4遗传算法的设计 1、控制参数的选取 遗传算法的控制参数通常根据经验确定，控制参数主要有初始群体大小N、交叉概率Pc、变异概率Pm，其经验取值范围分别为20~100，0.5~0.7，0.001~0.2。 2、确定编码方案 编码的方法主要有两种,一种是二进制编码,另一种是浮点式编码(实数编码)。随着计算机的发展,计算要求的提高, 而且二进制编码在计算中需要进行译码，降低了计算效率，因此，浮点式编码被广泛采用。 3、确定适应函数 通常采用问题的目标函数作为个体的适应性度量。为了与选择操作相适应，一般要对适应函数进行 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化。对于目标函数为极小化的of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 问题，一般采用的标准适应函数为:F(x)=1/(1+f(x))。 normal 确定遗传参数和初始化群体 个体适应度的检测评估 变异 交叉 更新群体 选择 满足终止条件, N Y 输出结果 图2.2.1遗传算法操作流程图 4、选择策略的确定 优胜劣汰的选择机制使得适应值大的解有较大的存活概率，这是其与一般搜索算法的主要区别之一。 繁殖池(breeding pool)选择 每个个体的繁殖量为N=[N*F/?F](舍iii去取整)，其中N为群体规模;F为群体中第i个染色体的适应值;N为群体ii中第i个染色体的繁殖量。繁殖池中的个体的数目不一定正好N。 转盘式选择 首先计算群体中的所有个体的适应度总和(?F)，再计算i每个个体的适应度所占的比例(F/?F)，并以此作为相应的选择概率(P=F/iiii?F)。用该方法可在一赌轮上分为N各区间，然后可旋转赌轮N次，每次i 可得到不同的值，其值所在的区间对应的染色体作为选择的对象。在实际中，of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 该方法较多采用。 5、遗传算子的设计(实数编码) a、交叉 交叉概率表明，有期望值为Pc*N个染色体来进行交叉操作。常用的交叉方式主要有两种，一种是离散交叉，另一种是算术交叉。 离散交叉指选择的两个进行交叉操作的染色体中的部分分量相互进行交换，例如，采用生成仅含0，1的模板，其大小与染色体的大小相同，当第k个分量为1时，两个染色体的分量相互交换;反之，分量不变。 算术交叉可用一个例子来说明，交叉染色体A的第k个分量以后的各分量都乘以一随机数a(其值在(0，1)之间)，然后再加上交叉染色体B的第k个分量以后的各分量都乘以(1-a)，第k个分量以前的各分量保持不变,新的染色体为A’; 交叉染色体B的第k个分量以后的各分量都乘以一随机数a(其值在(0，1)之间)，然后再加上交叉染色体A的第k个分量以后的各分量都乘以(1-a)，第k个分量以前的各分量保持不变,新的染色体为B’。从而，形成后代。 b、变异 变异概率Pm表明，总体中有期望为Pm*N个染色体用来进行变异操作。在某个父代向量中选择部分分量，用新随机生成的量替代，或随机生成一个新个体取代之。 6、确定算法的终止准则 常用的办法是先规定一个最大的迭代代数或算法在连续多少代以后解的适应值没有明显的改进时，即终止。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 第三章 基于神经网络的 水布垭面板堆石坝变形控制与预测 ?3.1概述 人工神经网络所具有的自组织、自适应、自学习、联想记忆、高度容错、并行处理能力、高度非线性映射能力以及线性动力特性，使得神经网络理论的应用已经渗透到了各个领域。在土木、水利工程领域也不例外，如神经网络理论在预应力混凝土桩基等结构损伤诊断、砂土液化预测，地下工程围岩分类及支护决策，边坡稳定及变形预测，大坝等工程结构安全监测，水库控制及优化调度，地震预测，泥石流预测，洪水及径流等水文预测，测量平差 [7]优化计算、工程造价分析等方面的应用。 水布垭面板堆石坝坝高233米，是当今世界最高的混凝土面板堆石坝。其地形、地质条件较复杂、工程规模、技术难度高，而且对于超过200米的面板堆石坝目前还没有成熟的筑坝经验，计算理论和方法亦不成熟，因此预估堆石坝变形，面板的应力应变和以及周边缝的张开量和压缩量等对指导结构设计和高面板堆石坝的研究有重要意义。 目前在我国面板堆石坝的计算分析中经常采用的有邓肯(Duncan)等人的E—B模型，奈勒的K—G模型以及南京水科院沈珠江提出的双屈服面弹塑性模型，以这些模型来表征堆石料的应力应变关系。以上计算模型多是根据材料的实验应力应变关系曲线，通过某些假定，予以数字拟合而建立的。堆石由于其组成具有颗粒大、易破碎的特性，在剪切过程中不断改变自身的级配和颗粒的排列方式，随着颗粒不断破碎，不断形成新的更密实、更稳定的结构，不断获得新的强度。从这个意义上说，此种应力应变曲线是在变密度 [9-10]的条件下形成的，而且可能已经不是实验的起始密度。 由于邓肯模型的广泛应用，目前已积累了相当多的实验资料，在比较宽广的范围内展现了各参数的变化趋势与幅度，但一般规律性较差。这除了受材料的性质、实验条件等因素的影响外，也反映了该模型本身存在的问题。此外，上述模型还具有操作复杂、实验经费高、计算量大等不足之处。随着of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 工程规模日趋变大，为了使工程设计更加合理，人们应用多种方法对工程进行分析、比较。例如，水布垭混凝土面板堆石坝的应力应变分析中，除了采用有限元模型、弹塑性模型外，还委托巴西COPEL公司根据其资料进行变形预测分析。本文就目前广泛应用的神经网络方法在该方面的应用进行探讨。 目前有不少已建的面板堆石坝的设计、应力应变及其它资料。这些资料不仅包含了一些定量指标，也包含了一些定性指标。如何使用这些已有的资料仍存在一定的问题。这些资料(数据)之间的关系比较难于用表达式表示出来，因为某些因素究竟怎样影响坝体的应力应变尚不清楚。而随着模拟生物神经系统科学的发展，如今已广泛应用于科学各个领域的神经网络方法在这方面具有很强的能力。神经网络方法从样本获取知识的过程正是与高面板堆石坝设计方法的核心思想(类比、统计、归纳)相一致的，因此本文根据目前已有的这些资料就神经网络方法在面板堆石坝变形预测中的应用进行探讨。 该思想可以表述为已知一系列已建工程的例子(样本)，统计例子建设前的设计资料x与建成后的变形资料y作为样本的输入和输出，利用样本对网络进行训练和学习，从中获取x影响y的知识，在经过一定步长后，知识不断增加并达到一定的水平，即利用这些知识对样本输入进行回判，回判结果与对应的实际变形资料y之间的误差平方和满足指定的精度要求，而这些知识即为x和y之间的映射关系; 用一个函数表达式可表示为: f(x)=y， 其中，f是堆石坝变形影响因素与堆石坝变形量之间的控制关系，它是由神经网络的训练和学习获得的x影响y的知识。 从而可以根据待建工程已知的设计资料，利用网络的学习知识，即映射关系f，对该工程在建成后的变形进行预测。 ?3.2 样本的选取 面板堆石坝变形影响因素的选取:影响混凝土面板堆石坝变形的因素有许多，本文剔除与变形相关性较小的因素，根据工程经验选取面板堆石坝变 [9-11]形的主要影响因素为x{H，W/H，r，E}，其中H代表坝高，W/H代表河谷d 宽高比，r代表堆石体干密度，E代表堆石体垂直压缩模量; d 面板堆石坝变形资料的选取:根据本文所要解决问题，选取面板堆石坝 ,h,,h变形资料为y{，，u1 ，u2 ，u3}，其中代表坝体沉降量(施工期和of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking ,蓄水期)，面板的挠度变形量，u(u1 ，u2 ，u3)分别代表周边缝的开度，沉陷，剪切变形量。 根据目前的面板堆石坝体积资料，剔除有特殊特征的工程资料，选取国 [9-11]内外代表性较好，资料较全面的工程资料作为样本，如表一: ?3.3 神经网络结构的确定 3(1输入层、输出层结点数 输入层、输出层结点数分别代表输入的变量数、输出的变量数。本文输入变量为{H，W/H，，E}，其物理意义分别为坝高、河谷宽高比、垂直压,d ,h,缩模量、堆石体的干密度;输出变量为所要解决问题，即预测目标{，，u ，u ，u}，其物理意义分别为坝体的沉降量(竣工和蓄水后)、面板的挠123 度、周边缝的变形量(开度、沉陷、剪切)。因此，输入层、输出层的结点数分别选取为4个、6个。 3(2隐含层的结点数 [12]根据理论证明:“一个具有M个结点输入层，2M+1个结点的隐含层和N MN个输出结点的三层BP网络，可以精确的表达任一连续函数F:I?R，Y=F(X)，(0 设计规范 民用建筑抗震设计规范配电网设计规范10kv变电所设计规范220kv变电站通用竖流式沉淀池设计 (SDJ20—78)》(1985.12)面板的允许挠度，大于9m的板，一般工程为L/300，对挠度有较高要求的构件为L/400，本文选取其值为L/400。面板的长度根据几何关系可近似求得: L=坝高/sin(arctan(1/1.4))=400.8765m，则允许挠度为L/400= 1.0022m。 根据水工建筑物的级别为?级(结构重要性系数1.1)，持久状况(设计状况系数1.0)，结构系数r(1.20)，挠度的变形不能大于75.92cm。 d 由已建面板堆石坝的统计资料可得堆石体垂直压缩模量的范围为20-225Mpa。根据ANN3的网络训练结果仅改变水布垭面板堆石坝的E值，并预测面板挠度变形量，则可绘制出水布垭面板堆石坝的E与面板挠度变形量δ的关系曲线，如图3.1所示(附程序七 7.1)。 由E—δ关系曲线可得堆石体的垂直压缩模量为41Mpa，71Mpa，110 Mpa时，面板的挠度恰好满足 规范 编程规范下载gsp规范下载钢格栅规范下载警徽规范下载建设厅规范下载 要求。考虑到在施工至蓄水过程中，随时间的增长，一方面，堆石体的垂直压缩模量将不断改变，而且蓄水稳定后堆石体的垂直压缩模量可能是施工期的几倍;另一方面，堆石体的密实度也在不断改变，这样在此过程中将不能保证面板的变形在期望的范围内。根据以往的工程经验，堆石体的垂直压缩模量和密实度随时间的增加而增大。因此，为保证施工以后面板的挠度变形在期望的范围内，本文根据上述的三个垂直压缩模量分别作为施工期的控制值，同时改变r和E值，可得到r、E与δ的dd关系曲面。(图3.2至图3.7) of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图3.1 E—δ关系曲线 当控制值E取为41Mpa时，改变r和E值(都向增大的方向)，应用训d 练好的ANN3网络来预测面板的挠度变形量，从而绘制三者的关系图，见图3.2、图3.3。两图为不同角度的视图。(附程序7.2) 当控制值E取为71Mpa时，改变r和E值(都向增大的方向)，应用训d 练好的ANN3网络来预测面板的挠度变形量，从而绘制三者的关系图，见图3.4、图3.5。两图为不同角度的视图。(附程序7.3) 当控制值E取为110Mpa时，改变r和E值(都向增大的方向)，应用训d 练好的ANN3网络来预测面板的挠度变形量，从而绘制三者的关系图，见图3.6、图3.7。两图为不同角度的视图。(附程序7.4) 根据图3.2至图3.7的图形可知，控制值取为41Mpa和71Mpa时，随着r和E值的增加，存在预测的面板挠度大于规范要求的情况;而当控制值取d 为110Mpa时，随着r和E值的增加，面板挠度预测值均能满足规范要求。d 因此，本文选取堆石体垂直压缩模量控制值为110Mpa。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图3.2(上) 图3.3(下) of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图3.4(上) 图3.5(下) of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 图3.6(上) 图3.7(下) of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 5(2水布垭面板堆石坝变形的预测 以上述方法确定的堆石坝垂直压缩模量值作为水布垭面板堆石坝的设计参数，应用训练好的网络对堆石体的变形进行预测。水布垭的资料:坝高233 3米，河谷宽高比2.56，堆石体干密度2.18g/cm，垂直压缩模量110Mpa，经过预处理后，即得输入x={2.33 0.256 2.18 1.10}。 5.2.1坝体沉降变形的预测 输入水布垭混凝土面板堆石坝的资料，根据ANN1网络训练获得的权值和阈值(表二)，预测坝体施工期沉降变形为180.264cm;根据ANN2网络训练获得的权值和阈值(表三)，预测坝体蓄水后沉降变形为23.7214cm。 5.2.2混凝土面板挠度变形的预测 输入水布垭混凝土面板堆石坝的资料，根据ANN3网络训练获得的权值和阈值(表四)，对面板挠度变形预测的结果为75.5172cm。 5.2.3周边缝变形的预测 输入水布垭混凝土面板堆石坝的资料，根据ANN4、ANN5、ANN6网络训练获得的权值和阈值(表五、六、七)，预测周边缝变形的结果为:开度3.0967cm、沉陷3.65117cm、剪切2.66496cm。 综合水布垭堆石坝变形的预测结果与其它单位的弹塑性模型，E—B模 [13]型，K—G模型等方法的计算结果 进行比较如表八。 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 表八 本文预测结果与其它方法的计算结果比较表: 坝体沉降量(cm) 面板挠度 周边缝开度 周边缝沉降 周边缝剪切 计算方法 竣工 蓄水 (cm) (cm) (cm) (cm) 长科院? 135 158 63.0 2.36 3.63 5.892 弹塑性模型 河海大学? 184 192 73.7 2.90 4.20 1.70 E—B模型 武汉水院? 176 185 79.64 2.56 4.02 1.33 E—B模型 设计单位 167 177 79.0 5.84 2.96 2.04 E—B模型 清华大学? 121 131 57.70 2.10 2.50 1.70 K—G模型 本文方法 180 204 75.52 3.10 3.66 2.67 注:?设计单位建议参数 ?长科院实验参数 (参考文献[13]) [13][9]5(3 本文的预测结果与COPEL公司及经验公式预测结果的比较 本文取E的控制值为110Mpa，在此基础上以本文的预测结果与COPEL公司及国内的经验公式预测结果进行比较。 5.3.1 巴西COPEL公司的预测结果 巴西COPEL公司受清江水电开发公司的委托，根据水布垭的资料，结合国内外十几座已建工程的面板变形观测资料分析，采用经验公式 2E=0.003H/D(Mpa)，预测面板的挠度约为70.0~90.0 cm，保守地估计周边T 缝的变形为:张开5.0 cm，沉陷5.5 cm，剪切3.0 cm。 [9]5.3.2 根据经验公式的沉降估算 公式A:根据已建坝原型监测成果估算坝顶的沉降量 该公式依据经验坝体的沉降与坝高H的平方成反比，与堆石体的垂直压 2缩模量E成反比，即S?/E，根据一个相似(一般为堆石体特性)的已H222 22建工程确定沉降与H/E的关系系数α，即为α=S*E/，来进行未建工程H111的预测。其表达式为 222,,,,,,HEHHE21221,,,,,,S,,，,S，，,,,S 2112,,,,,,EEHEH2212,,,,1,, SS式中，表示待建坝的坝顶沉降量;表示已建坝原型观测坝顶沉降量;21 EE表示待建坝的变形模量值;表示已建坝的变形模量; 21 H,H分别表示为待建和已建坝的坝高。 21 由于水布垭坝堆石体特性与西北口坝相似，因此以西北口坝为基础按此of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 公式估算，=320 mm，=110 Mpa，=91 Mpa，=233 m，=95 m， SEEHH22111 22,,,,HE23391,,,,21,,,,S,,,S = = 1592.4 mm = 159.24 cm ,,320,,,,21,,,,HE95110,,,,12,,,, 公式B:施工期坝体自重引起的垂直沉降估算 大量的工程观测资料和有限元分析，均表明施工期坝体自重引起的最大沉降多在坝轴线所在的铅垂面附近，且沿深度近似成二次抛物线分布，其公式即为: hHh(,)S， ,，,dE 3式中，h表示任一估算点以上的坝体高度;r为堆石体的干密度(g/cm);d E为垂直压缩模量。 根据经验最大沉降一般发生在坝高的1/2—2/3处， 当h=2H/3时，S的值最小 2 22H22，2332S=239.0 cm ,，,,，2.18d2E99，1102 当h=H/2时，S的值最大 2 2H,22d=2.18×233/(4×110)= 268.98 cm S,4E2 因此，可求得坝体的沉降变形范围为239.0 cm~268.98 cm。 5.3.3 根据经验公式的面板挠度估算 2 根据对一些已建的面板坝资料的统计，发现面板的挠度量与H/E有较好的线性关系，由此得到面板挠度的估算公式为 2H,,(0.11~0.16) E 对于水布垭问题的估算结果为 54.29 cm ~ 78.966 cm之间。 5.3.4 结果的比较与分析 本文面板挠度和周边缝变形的预测结果与COPEL公司的预计结果的比较如表九所示;本文施工期坝体最大沉降量和面板挠度的预测结果与国内经验公式的估算结果的比较如表十所示。 表九COPEL公司方法与本文方法预测结果比较 预测方法 面板挠度(cm) 张开(cm) 沉陷(cm) 剪切(cm) COPEL公司方法 70.0~90.0 5.0 5.5 3.0 本文方法 75.52 3.10 3.66 2.67 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 表十 经验公式与本文方法预测结果比较 预测方法 施工期坝体最大沉降(cm) 面板挠度(cm) 经验公式(公式A | 公式B) 159.24 239~269 54.3 ~ 79.0 本文方法 180.3 75.52 公式A仅考虑了坝高H与堆石体的垂直压缩模量E对坝体的沉降沉降的影响，没有考虑其它因素的影响，如堆石体干密度，河谷宽高比等，使得结果缺乏合理性;而且H和E究竟怎样影响坝体沉降的只是经验上的判断，仍 2无理论上的证明。另一方面，采用相似的已建工程确定沉降与H/E的关系系数α，由于各工程的实际差别很大，而且仅采用一个已建工程的资料为基础，原型的选择对结果的影响很大，使得结果的随机性也很大。 公式B在公式A的基础上，考虑了堆石体干密度的影响，但仍然与其有相似的不足之处，而且h的取值方面也有很大的缺陷。面板的挠度估算公式 2是根据统计分析，采用挠度与H/E的关系曲线拟合的方法建立起来的。但其仍存在公式A和B的共同缺点。 而本文的方法是基于十几个已经建成的工程为样本，考虑多种影响因素，采用与人脑相似的神经网络学习方法，从中获取学习信息，实际上即为输入与输出的高度非线性拟合，使经验的分析更合理、直观，效果明显优于上述的经验方法。 ?3.6 结论与建议 6(1结论 6.1.1 运用BP神经网络模型进行面板堆石坝应力应变的预测，具有收敛快、容错能力强、有高度的非线性特征、结果可靠等优点。网络程序设计采用基于MATLAB的神经网络工具箱，操作简单，与有限元法相比具有训练和学习时间短(仅需几分钟)，花费低、易实现等优点，而且训练结果可应用于类似工程的预测。与其它计算方法，经验公式等方法比较，预测结果较好，证明BP网络在面板堆石坝应力应变的预测中的应用是可行的。 5.1.2操作方法的特点 a、 常用的归一化处理方法， qqx,x''xiiqqiminx,x,即应用公式或进行归一化处理, iix,xximaximinimax 12p12p其中，x,max{x,x,？,x}x,min{x,x,？,x}，， imaxiiiiminiii of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking qp为输入样本的个数，为第q个样本的第i个变量。 xi 对于本文所要预测对象的坝高是在目前已建最高混凝土面板堆石坝之上，因此 ，采用上述方法不是很合适。因此，本文预处理的方法是改变变量的记数方法(同一类变量乘以或除以10的整数倍)，结果表明该方法有利于加速网络收敛，提高精度。 b、使用改进的BP算法，提高和改善了BP网络的性能。此外，采用六个“4—10—1”模型取代一个“4—10—6”模型，一方面使得收敛更快，精度更高;另一方面，可以充分利用已有的资料，使得样本的个数相对增加，提高结果的可靠性。 c、由于缺少堆石体垂直压缩模量E的资料，本文利用训练好的网络，根据规范确定的面板允许挠度对参数E的取值进行控制，并应用E的控制值对面板堆石坝的变形进行预测。 6(2建议 加强已建工程的观测及资料整理，提供更多数量和高质量的训练样本，则网络模型预测的结果会更合理，可靠性也将进一步提高。 第四章BP网络与遗传算法 在面板堆石坝设计参数控制中的应用 ?4.1概述 遗传算法具有较好的全局搜索能力，鲁棒性强，易于并行化，搜索不依赖于梯度信息特点，其广泛地应用于各种工程领域。遗传算法尤其适用于处理传统算法难于解决的复杂和非线性问题，可应用于组合优化、机器学习、自适应控制、规划设计和人工生命科学等领域。在土木、水利工程中也不利外，例如岩石参数反分析，滑坡的最危险面的确定等。 本文在第三部分中，基于BP网络讨论了堆石体垂直压缩模量E的控制。在上述讨论中，利用了在水布垭面板堆石坝设计已作的工作中(例如，基于有限元的应力应变分析)，根据经验、实验等方法确定的堆石体干密度值，通of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 过神经网络3的结果预测面板挠度变形，可得到E—δ关系曲线，并由此确定堆石体垂直压缩模量E的控制值。而实际设计前不确定性变量很多，以本文为例，实际设计前不确定性的输入变量有r、E。在不确定性输入变量增多d 时，通过普通的方法(如穷举法)很难实现，尤其是约束复杂的问题。可见实现控制操作的方法对于实际复杂问题具有重要意义。本文在此部分，基于第三部分的BP网络结果，对遗传算法在水布垭的设计参数r、E控制中的应d用进行探讨。 [13]水布垭面板堆石坝的设计控制指标:坝体的变形，根据已建同类工程 [13]经验，满蓄水期最大沉降控制在坝高的1%范围内;周边缝的变形量控制值分别为:张开5.0cm，沉降5.5cm，剪切3.0cm。 本文以坝体施工期和蓄水期的最大沉降2.33m、面板允许最大挠度75.92cm(在第三部分使用的面板变形控制值)、周边缝变形(张开5.0cm，沉降5.5cm，剪切3.0cm)为控制目标，利用遗传算法来实现对r、E的控制。 d ?4.2遗传算法的程序设计与计算 1、初始群体的生成: 初始个体(染色体)包括两个变量，一个表示为堆石体干密度，另一个表示为堆石体垂直压缩模量。根据已建工程r和E的范围，作为控制的解区d 间。采取应用较广的实数编码方法。初始群体的生成方法为在解区间内，随机地生成N个个体向量。N代表初始群体的规模。 2、选择操作: 将初始群体中的染色体按其适应度由大到小排序(即按目标函数值由小到大)。本文目标函数是根据坝体变形的期望值确定的，基于网络1~6，以对应个体(染色体)的预测结果与期望的相对误差平方和为目标函数。采用的标准适应函数为:F(x)=1/(1+f(x)),其中，f(x)表示为目标函数值。 首先计算群体中的所有个体的适应度总和(?F)，再计算每个个体的适i 应度所占的比例(F/?F)，并以此作为相应的选择概率(P=F/?F)。用该iiiii方法可在一赌轮上分为N各区间，然后可旋转赌轮N次，每次可得到不同的值，其值所在的区间对应的染色体作为选择的对象。为提高算法的收敛性，在操作中，将父代适应度最好的染色体直接保留到下一代。 3、交叉操作: 以P的概率选择交叉个体，从中随机地选择两个染色体进行算术交叉操c 作。即选择交叉操作的两个染色体为x，x,随机生成一(0，1)之间的随机12 of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 数α，按x’=αx+(1-α) x, x’=(1-α) x+αx操作生成新的后代染色体。 112212 4、变异操作: 以P的概率选择变异个体，并用随机生成的新个体取代之。 m 5、参数的确定: 采用MATLAB语言编程对算法进行实现，在编程过程中，根据经验和计算比较选取参数值为:初始群体大小N=50、交叉概率Pc=0.6、变异概率Pm=0.2(见附程序八)。 3繁殖代数400代，计算结果为r=2.15g/cm、E=105 Mpa。由此可见，其结d 果是较好的，遗传算法在该方面的应用是可行的。 ?4.3 结论与建议 3.1通过应用遗传算法，可见算法的评价函数以目标函数为基础，搜索不依赖于梯度信息，易于并行化，鲁棒性强，具有较好的全局搜索能力，收敛快，结果可靠等优点。 3.2该方法也可应用于多个不确定输入变量的控制。当随着不确定变量的增加、约束更复杂、解空间更大时，该方法就越来越表现出其它优化算法难以比拟的能力。 3.3遗传算法与其它算法的结合 在第三部分讨论了BP网络，如果BP网络与遗传算法两者结合起来，对于复杂的神经网络可实现全局最优解，提高网络的设计效率。 参考文献: 【1】 袁曾任 编著，人工神经网络及其应用，清华大学出版社 1999 【2】 焦李成 编著，神经网络计算， 西安电子科技大学出版社 1995 【3】 王永骥 涂健 编著，神经元网络控制，机械工业出版社 1998 【4】 楼顺天 施阳 编著，基于MATLAB的系统分析与设计—神经网络，西安电 子科技大学出版社 1995 【5】 闻新 周露 王丹力 熊晓英 编著，MATLAB神经网络应用设计，科学出版 社 2000 【6】 陈国良 王煦法 等编著，遗传算法及其应用，人民邮电出版社 1996 【7】 潘正君 康立山 陈毓屏 著，演化算法，清华大学出版社，广西大学出版社 1992 【8】 刘德富 李文正 刘从新，拱坝近似优化的人工神经网络方法，武汉水利电of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others h eroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking 力学报，1998.7，31(4) 【9】 蒋国澄 傅志安，凤家骥 编，混凝土面板坝工程，清华大学出版社 1997 【10】 傅志安 凤家骥 主编，混凝土面板堆石坝，华工理工大学出版社 1993 【11】 马君寿 编著，钢筋混凝土面板堆石坝，水利电力出版社 1990 【12】 夏元友 等，基于人工神经网络的边坡稳定性工程地质评价方法，岩土力学， 1996.9，17(3) 【13】 200m级高混凝土面板堆石坝研究:水布垭面板坝应力应变分析阶段报告， 水利部长江水利委员会，1998.11 【14】 罗先启 张选兵 葛修润，基于神经网络的滑坡地下水位反分析，第六次全 国岩石力学与工程学术大会论文集，2000.10 【15】 邓建辉 李焯芬 葛修润，BP网络和遗传算法在岩石边坡位移反分析中的应 用，岩石力学与工程学报，2001.1，20(1) 【16】 夏昌浩 向学军 何胜雄，基于MATLAB神经网络工具箱的电力系统负荷预报， 武汉水利电力大学(宜昌)学报，2000.12，22(4) 【17】 马洪生 胡卸文，神经网络在边坡稳定性分析中的应用，中国地质灾害与防 治学报，1993.3，10(1) of the enemy's attack. Troops, and troops were scattered, Qian Kangmin, Commander, Deputy Commander Ding Bingcheng and others heroic martyrdom. Turk foreign "resistance" members for the evacuation. Since then, Wujiang County Government District long Zhang Pinquan was killed by the Japanese. CPC jindapeng, Xiao Xin was trying to recommend thinking